人工智能课程报告-138071解读

研究生课程考试成绩单

任课教师签名：

日期：

浅谈基于人工神经网络的日负荷预测

学号：138071 姓名：万玉建

摘要

本文是作者在学习《人工智能》课程以后，结合作者本人工作的需要，根据《人工智能》课程中人工神经网络知识和在网上搜索到的相关资料，提出关于电力系统日负荷预测，运用基于人工神经网络的算法的组网结构和实现步骤的一些简单的构思和设想。

1引言

本人一直从事电力系统监控软件研发和管理工作，电力系统监控软件监控的对象就是电力负荷情况，而电力负荷预测则是系统的高级应用，它是根据历史的负荷数据，预测未来的负荷情况。由于电力负荷资源不可储存性，即发电机发出多少电，实时就要用多少负荷量，因此，就要求事先需要知道未来的用电负荷。正确地预测电力负荷，既是为了保证人们生活充足的电力的需要，也是电力工业自身健康发展的需要。

日负荷预测是指对未来1日的负荷进行预测，一般每15分钟一个负荷点，1日共96个数据。实际工作中，当天上午负荷预测人员根据昨天和更前的历史负荷数据预测明天的负荷数据，然后按一定格式生成文件上传到相关负荷管理部门。之前公司负荷预测软件中提供了线性回归法、曲线拟合法、平均值外推法、最小二乘法等负荷预测算法，但是这些算法都只是根据历史负荷数据进行一些数学的运算，没有考虑天气、节假日等情况，这些因素是负荷变化的重要的因素，而这些算法无法将这些因素量化并参加计算。

本学期学习了《人工智能》课程，其中有关于人工神经网络知识，这让本人想起来早在几年前在设计负荷预测软件时，曾经看到有人使用基于人工神经网络，把天气、节假日等因素加进来的进行预测的算法，当时也想增设这样的算法，但因为对算法不是很理解和其他种种原因一直没有实现。而今，恰好在课本学了人工神经网络，就考虑设计一种基于人工神经网络的负荷预测算法。本文描述这种算法的构思和设想。

2影响负荷预测因素的分析

由于电力系统负荷是一个很复杂的非线性系统，有许多直接或间接的因素都会对电力系统的日负荷产生直接的影响。但是在实际的负荷预测中，又不能考虑太多的影响因素。这一方面是收集这些资料困难，另一方面因素太多会造成建模困难，并且会带来大量的计算。因此，在考虑神经网络输入量的问题上，应抓住其中几个最具特征的影响因素。根据对历史负荷的分析，一般可把负荷分为两类：周期性负荷和变动性负荷。周期性负荷，或者说标准负荷，反映的是负荷自身变化的基本规律，呈较强的周期性，尤其受到时间周期的影响。针对短期负荷，时间周期因素包括：周周期、日周期等。它们对于日负荷的曲线模式有着极为重要的影响。

在气象条件中，起主要作用的是温度因素和天气状况。因此为了在负荷预测中考虑这两方面的影响，本文对每天的气温的输入变量可以进行分段处理，将天气状况中最重要的气温因素进行量化处理并作为神经网络的一个输入量。这样就更加能够体现出实际负荷的变化情况。

除了上述的影响因素外，还有其它一些影响因素也会对负荷产生影响，如社会经济发展状况、随机因素等。社会经济因素，包括人口、工业发展水平、农业、人民生活水平和习惯、社会经济格局等，表现为各类用户对电能的需求特征，直接影响了负荷曲线的形状和模式。从众多的资料可以看出,工作日和休息日的负荷量是不同的,一般休息日负荷明显低于工作日,且负荷曲线形状也有明显区别。因此,为了更好的实现负荷的预测,将负荷分为两大类:工作日负荷和休息日负荷。将实际的日期时间对应的输入量作为日期的输入变量。

3 学习样本的选取

神经网络知识的获取只能从学习样本中得到，学习样本的数量和质量是影响神经网络学习效果和学习速度的重要因素，对预测精度的影响极大。在本论文中针对冬季的负荷预测，模型输入已经包含温度这一天气因素，学习样本只根据日期类型来选择即可，对应两种预测模型区分为两个样本集，即工作日样本、双休日样本。

3.1输入变量的选取

根据负荷预测中“近大远小”的原则，在负荷预测中预测日的相邻日既预测日的前一天和一周前的同一天相关性比较好，因此在负荷数据的选择上才用了才用了提前一天和提前一周的对应小时以及对应小时前后各一小时的复合数据。

由于采用的是非线性的模型，为了防止病态样本的出现，易于网络训练学习，将样本中的历史数据进行归一化处理，换算成区间0到1的数。

min max min 'L L L L L --= （1）

式中，L 未处理的历史复合数据，Lmin 和Lmax 分别是其中的最小、最大复合数据，L'为归一化后的数据。

3.2日期变量的确定

从众多的资料可以看出，工作日和休息日的负荷量是不同的，一般休息日负荷明显低于工作日，且负荷曲线形状也有明显区别。因此，为了更好的实现负荷的预测，将负荷分为两大类：工作日负荷和休息日负荷。

周一至周五输入量为1，周六周日输入量为0。

3.3气温的确定

由于一年四季的气温不同，我们将一年分为春、夏、秋、冬四个阶段，分别对应四个预测模型。每个季节模型中又分为工作日模型和双休日模型。这样就会有明显的周期变化，使得气温的变化对负荷的影响相似，随后也需要进行归一化处理，换算成区间0到1的数。

min max min 'T T T T T --= （2）

4基于神经网络下模型的建立

4.1 网络结构的确定

利用人工神经网络对电力系统负荷进行预测，实际上是利用人工神经网络可以任意精度逼近任一非线性函数的特性及通过学习历史数据建模的优点，根据负荷的历史数据，选定前馈神经网络的输入和输出，因此，用人工神经网络进行负荷预测，首要的问题是确定神经网络的输出和输入节点。输出层一般为一层，按神经元个数可以分为单输出和多输出。采用单输出的结构，也就是对预测日的96点负荷需要建立96个神经网络分别预测，这种输出模型的优点在于每个神经网络的规模相对比较小，因此预测速度比较快，而且不容易出现过度训练的现象。多输出模型是指输出层神经元个数等于预测日需要预测的15分钟点数，一般为

96。大量文献显示该模型得到比较多的研究应用，其优点在于可以一次性的将预测目的负荷数据得到，预测模型的通用性比较好，但是存在如下缺点：网络规模太大，对应于该模型的网络权值，阈值等参数可能需要上千个，训练时间比较长。因而，选择将对预测日的96点负荷建立96个神经网络分别预测。

输入量和输出量选择

根据对影响负荷的因素分析，我们知道负荷是按大周期嵌套小周期的规律变化的。因此，可将一年分为春(3月-5月)、夏(6月-8月)、秋(9月-11月)、冬(12月-2月)四个阶段，分别对应四个预测模型。每个季节模型中又分为工作日模型和双休日模型。我们知道负荷以96个15分钟为周期变化，同时又明显的以周为周期变化。为反映这个特性，可以考虑把前一天图1 一个负荷点预测的神经网络结构

输入层 隐含层 输出层

Y

X1

X2

X3

X4

X5

X6

X7

X8